論文の概要: When Machine Learning Meets Spectrum Sharing Security: Methodologies and
Challenges
- arxiv url: http://arxiv.org/abs/2201.04677v1
- Date: Wed, 12 Jan 2022 20:04:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-14 15:10:32.329892
- Title: When Machine Learning Meets Spectrum Sharing Security: Methodologies and
Challenges
- Title（参考訳）: 機械学習がスペクトル共有セキュリティを満たすとき:方法論と課題
- Authors: Qun Wang, Haijian Sun, Rose Qingyang Hu, Arupjyoti Bhuyan
- Abstract要約: インターネット接続システムの指数関数的成長は、スペクトル不足問題など、多くの問題を引き起こしている。
複雑でダイナミックなスペクトル共有(SS)システムは、潜在的なセキュリティとプライバシの問題に晒される可能性がある。
これらの問題に対処するために機械学習(ML)ベースの手法が頻繁に提案されている。
- 参考スコア（独自算出の注目度）: 19.313414666640078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The exponential growth of internet connected systems has generated numerous
challenges, such as spectrum shortage issues, which require efficient spectrum
sharing (SS) solutions. Complicated and dynamic SS systems can be exposed to
different potential security and privacy issues, requiring protection
mechanisms to be adaptive, reliable, and scalable. Machine learning (ML) based
methods have frequently been proposed to address those issues. In this article,
we provide a comprehensive survey of the recent development of ML based SS
methods, the most critical security issues, and corresponding defense
mechanisms. In particular, we elaborate the state-of-the-art methodologies for
improving the performance of SS communication systems for various vital
aspects, including ML based cognitive radio networks (CRNs), ML based database
assisted SS networks, ML based LTE-U networks, ML based ambient backscatter
networks, and other ML based SS solutions. We also present security issues from
the physical layer and corresponding defending strategies based on ML
algorithms, including Primary User Emulation (PUE) attacks, Spectrum Sensing
Data Falsification (SSDF) attacks, jamming attacks, eavesdropping attacks, and
privacy issues. Finally, extensive discussions on open challenges for ML based
SS are also given. This comprehensive review is intended to provide the
foundation for and facilitate future studies on exploring the potential of
emerging ML for coping with increasingly complex SS and their security
problems.
- Abstract（参考訳）: インターネット接続システムの指数的成長は、効率的なスペクトル共有(SS)ソリューションを必要とするスペクトル不足問題など、多くの課題を引き起こしている。
複雑な動的SSシステムは、さまざまな潜在的なセキュリティとプライバシの問題に晒され、適応性、信頼性、スケーラブルな保護メカニズムが要求される。
これらの問題に対処するために機械学習(ML)ベースの手法が頻繁に提案されている。
本稿では,MLベースのSS手法の最近の開発状況,最も重要なセキュリティ問題,およびそれに対応する防御機構について,包括的に調査する。
特に、MLベースの認知無線ネットワーク(CRN)、MLベースのデータベース支援SSネットワーク、MLベースのLTE-Uネットワーク、MLベースの環境後方散乱ネットワーク、その他のMLベースのSSソリューションなど、様々な重要な側面において、SS通信システムの性能向上のための最先端手法について詳しく述べる。
また,物理層からのセキュリティ問題や,プライマリユーザエミュレーション(pue)攻撃,スペクトルセンシングデータ改ざん(ssdf)攻撃,ジャミング攻撃,盗聴攻撃,プライバシ問題など,mlアルゴリズムに基づく防御戦略も提示する。
最後に、MLベースのSSのオープンチャレンジに関する広範な議論も行われる。
この総合的なレビューは、ますます複雑なSSとそのセキュリティ問題に対処するための新興MLの可能性を探究するための基盤を提供し、促進することを目的としている。
関連論文リスト
- Socialized Learning: A Survey of the Paradigm Shift for Edge Intelligence in Networked Systems [62.252355444948904]
本稿では,エッジインテリジェンス(EI)と社会学習(SL)の統合に関する文献レビューの結果について述べる。
SLは、エージェントの協調能力と集団知性を増幅することを目的とした、社会的原則と行動に基づく学習パラダイムである。
ソーシャル化アーキテクチャ、ソーシャル化トレーニング、ソーシャル化推論の3つの統合コンポーネントについて詳しく検討し、その強みと弱点を分析した。
論文 参考訳（メタデータ） (2024-04-20T11:07:29Z) - Generative AI for Secure Physical Layer Communications: A Survey [80.0638227807621]
Generative Artificial Intelligence(GAI)は、AIイノベーションの最前線に立ち、多様なコンテンツを生成するための急速な進歩と非並行的な能力を示す。
本稿では,通信ネットワークの物理層におけるセキュリティ向上におけるGAIの様々な応用について,広範な調査を行う。
私たちは、物理的レイヤセキュリティの課題に対処する上で、GAIの役割を掘り下げ、通信の機密性、認証、可用性、レジリエンス、整合性に重点を置いています。
論文 参考訳（メタデータ） (2024-02-21T06:22:41Z) - Highlighting the Safety Concerns of Deploying LLMs/VLMs in Robotics [54.57914943017522]
本稿では,大規模言語モデル (LLMs) と視覚言語モデル (VLMs) をロボティクスアプリケーションに統合する際のロバスト性と安全性に関する重要な課題を強調する。
論文 参考訳（メタデータ） (2024-02-15T22:01:45Z) - Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review [51.31851488650698]
機械学習(ML)は、IoT(Internet-of-Things)ベースのスマートグリッドでの使用頻度が高まっている。
電力信号に注入された逆方向の歪みは システムの正常な制御と操作に大きな影響を及ぼす
安全クリティカルパワーシステムに適用されたMLsgAPPの脆弱性評価を行うことが不可欠である。
論文 参考訳（メタデータ） (2023-08-30T03:29:26Z) - Machine Learning with Confidential Computing: A Systematization of Knowledge [9.632031075287047]
機械学習(ML)におけるプライバシとセキュリティの課題は、MLの広範な開発と、最近の大規模な攻撃面のデモとともに、ますます深刻になっている。
成熟したシステム指向のアプローチとして、Confidential Computingは、さまざまなMLシナリオにおけるプライバシとセキュリティの問題を軽減するために、学術と産業の両方で使用されている。
機密性保証とii)整合性保証を提供する機密コンピューティング支援ML技術に関する先行研究を体系化し、それらの高度な特徴と欠点について論じる。
論文 参考訳（メタデータ） (2022-08-22T08:23:53Z) - Privacy-Preserving Machine Learning: Methods, Challenges and Directions [4.711430413139393]
よく設計されたプライバシー保護機械学習(PPML)ソリューションは、アカデミックや業界から研究の関心が高まりつつある。
本稿では,既存のプライバシ保護手法を体系的にレビューし,様々なPPMLソリューションの評価をガイドするPGUモデルを提案する。
論文 参考訳（メタデータ） (2021-08-10T02:58:31Z) - Practical Machine Learning Safety: A Survey and Primer [81.73857913779534]
自動運転車のような安全クリティカルなアプリケーションにおける機械学習アルゴリズムのオープンワールド展開は、さまざまなML脆弱性に対処する必要がある。
一般化エラーを低減し、ドメイン適応を実現し、外乱例や敵攻撃を検出するための新しいモデルと訓練技術。
我々の組織は、MLアルゴリズムの信頼性を異なる側面から向上するために、最先端のML技術を安全戦略にマッピングする。
論文 参考訳（メタデータ） (2021-06-09T05:56:42Z) - Inspect, Understand, Overcome: A Survey of Practical Methods for AI
Safety [54.478842696269304]
安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。
近年,これらの安全対策を目的とした最先端技術動物園が出現している。
本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
論文 参考訳（メタデータ） (2021-04-29T09:54:54Z) - Robust Machine Learning Systems: Challenges, Current Trends,
Perspectives, and the Road Ahead [24.60052335548398]
機械学習(ML)技術は、スマートサイバーフィジカルシステム(CPS)とIoT(Internet-of-Things)によって急速に採用されています。
ハードウェアとソフトウェアの両方のレベルで、さまざまなセキュリティと信頼性の脅威に脆弱であり、その正確性を損ないます。
本稿では、現代のMLシステムの顕著な脆弱性を要約し、これらの脆弱性に対する防御と緩和技術の成功を強調する。
論文 参考訳（メタデータ） (2021-01-04T20:06:56Z) - Distributed Machine Learning for Wireless Communication Networks:
Techniques, Architectures, and Applications [1.647426214278143]
分散機械学習(DML)技術は、無線通信にますます応用されている。
大規模、地理的に分散したデプロイメント、ユーザモビリティ、大量のデータなど、無線システムのユニークな特徴は、DML技術の設計に新たな課題をもたらす。
この調査は、無線ネットワークに焦点をあてた、現代的で包括的なDML技術の調査を提供することによって、ギャップを埋めるものである。
論文 参考訳（メタデータ） (2020-12-02T19:53:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。